「多模态视觉作品」共找到 1464 篇相关文章
机器人学会「眼看手摸」！FreeTacMan 实现人类指尖亲自「授课」
OpenDriveLab提出的FreeTacMan，将人类视觉、触觉和动作技能高效传输给机器，破解精细操作难题。它配备高分辨率触觉“皮肤”，实现人类“手把手”教机器人“感知”，还通过融合时间感知的触觉预训练，提升机器人策略性能。
万帧？单卡！智源研究院开源轻量级超长视频理解模型Video-XL-2
长视频理解是多模态大模型关键能力，当前开源模型有短板。智源研究院联合发布 Video-XL-2，多维度优化长视频理解能力，还设计效率优化策略，在主流评测基准表现出色，有广泛应用潜力。
实测对比！扣子空间播客功能完爆 NotebookLM，覆盖场景更大
多模态是大模型热门应用概念，文本生成语音赛道受资本青睐。作者实测对比扣子空间和NotebookLM，发现扣子空间播客功能更优，能精准拿捏尺度，覆盖场景大，还能做旅行攻略、生成网站等。
RSS 2025｜从说明书学习复杂机器人操作任务：NUS邵林团队提出全新机器人装配技能学习框架Manual2Skill
新加坡国立大学邵林团队提出 Manual2Skill 框架，利用 VLMs 将说明书视觉指令转化为机器人装配技能，含层级化装配图生成、分步骤位姿估计、动作生成与执行三阶段，实验验证其在多场景的有效性。
AI不靠“闭门造神”，海内外一线专家共探智能新纪元，GOSIM AI Paris 2025圆满收官！
5月7日，GOSIM AI Paris 2025在法国巴黎迎来第二日议程。全球专家围绕AI技术多方面探讨，涉及模型、基础设施等主题。还分享大模型趋势，宣布新型许可证，各分论坛展示多元成果，大会圆满收官，杭州场9月待启。
两张图定位全球，o3碾压T0级高手！人类「诡计」被看穿，跨模态推理爆表
OpenAI的o3在GeoGuessr游戏中与大师级玩家Sam Patterson对决，o3通过视觉与搜索推理，忽略伪造EXIF信息，最终以23179比22054获胜，展现出跨模态推理潜力，引发对AI推理能力的思考。
UniSteer用机械臂「拼豆」：让人类指导进入VLA噪声空间强化学习
视觉 - 语言 - 动作模型（VLA）是机器人操作重要基础模型，但复杂任务成功率低，真机强化学习成本高。微软等机构研究者提出 UniSteer，将人类纠正转换成噪声监督，在多任务测试中提升了成功率。
ICML 2026 巡礼：注意力效率革命的九个切面
7月7日，ICML 2026进入正会第一天。雷峰网精选首日上午9篇论文，涵盖持续学习、多模态融合等方向，如MePo让预训练模型学会持续学习，HAF解决模态不平衡下的融合问题，展现AI研究前沿趋势。
I/O大会开完，谷歌连搜索框都变智能体了
当地时间周二谷歌I/O大会举行，转型智能体时代。谷歌推出Gemini 3.5系列模型，轻量级3.5 Flash已开放，重量级3.5 Pro仍在开发。还发布全新AI智能体Spark，改造谷歌搜索，推出多模态模型Gemini Omni。
最新！Demis Hassabis：Agent才刚刚开始，AI下一步是创造虚拟细胞
DeepMind掌门人Demis Hassabis在专访中谈到AGI发展，认为当前技术距AGI可能差一两个大突破，预计2030年左右实现。还探讨了记忆、Agent、推理等问题，提及开源、多模态等情况，展望了生物领域虚拟细胞等。